The Validity of Screening For Open-angle Glaucoma in High-risk Populations With Single-test Screening Mode Frequency Doubling Technology Perimetry (FDT)
Notice bibliographique
Résumé
PURPOSE: To evaluate whether a single frequency doubling perimetry (FDT) test is a valid screening tool to detect open-angle glaucoma (OAG) in high-risk populations. PATIENTS AND METHODS: All participants underwent frequency doubling Technology perimetry (FDT C-20-5 algorithm, Carl Zeiss Meditec Inc, Dublin, CA) and complete ophthalmic examination. FDT printouts were classified according to Iwasaki and Patel protocols. Gold-standard was clinical diagnosis of glaucomatous optic nerve damage. MAIN OUTCOME MEASURES: Sensitivity, specificity, positive predictive value, negative predictive value, positive, and negative likelihood ratios of a single-test screening FDT. RESULTS: Data of 445 right eyes and 408 left eyes of participants were analyzed. On the basis of clinical diagnosis, 19 right eyes (4.3%) and 20 left eyes (4.9%) had glaucoma. Depending on the gold standard used, the range of sensitivity was between 40.7% and 78.9%, 66% and 70% for specificity, 7.7% and 25.2% for positive predictive value, 82.3% and 98.6% for negative predictive value, 1.25 and 2.37 for positive likelihood ratio, and 0.32 and 0.87 for negative likelihood ratio. The κ coefficient of agreement between the FDT classifications as described by Iwasaki et al and Patel et al was 0.936 in right eyes and 0.935 in left eyes. CONCLUSIONS: The sensitivity and specificity of a single reliable screening FDT test were low. Thus, a single screening FDT test in even a high-risk population has poor validity and steps should be taken to better define the target population before testing, and enhance the FDT screening strategy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».